Nos últimos anos, os sistemas de recomendação têm evoluído significativamente, saindo de abordagens de fatoração de matrizes para técnicas mais complexas, como graph neural networks (GNNs). A Kumo AI, pioneira na aplicação de hybrid GNNs, criou um modelo que demonstra eficácia tanto em desafios de ciência de dados quanto na prática, permitindo que empresas como Uber e Amazon ofereçam experiências excepcionais aos clientes.

O desenvolvimento de sistemas de recomendação é complicado devido às variações nas preferências dos usuários e ao comportamento humano complexo. A necessidade de gerar recomendações personalizadas se torna ainda mais desafiadora em um cenário de big data, onde novos usuários podem ter interações mínimas, e itens com pouca informação são difícil de classificar. Muitas equipes de engenharia têm investido fortemente na construção e manutenção de pipelines de recomendação complexos, que envolvem diversas etapas de geração de candidatos e modelos de ranking.

O modelo hybrid GNN é projetado para capturar comportamentos sutis dos usuários ao processar dados com um subgrafo centrado em cada nó de usuário. Este método não apenas melhora a precisão das recomendações, mas também permite uma diferenciação entre interações repetitivas e exploratórias, ajustando-se às preferências de cada usuário de forma adaptativa. Além disso, a arquitetura foi testada no desafio de recomendação H&M do Kaggle, onde obteve um desempenho superior em comparação com outras abordagens.

1. Hybrid GNN alcançou um MAP@12 de 0.031, superando os 0.024 do top 10% no Kaggle.

2. Abertura para previsão de interações futuras entre usuários e itens utilizando um grafo bipartido.

3. Os modelos podem ser otimizados em um único treinamento, reduzindo a complexidade de implementação.

4. Kumo demonstrou um aumento significativo em receitas através da implementação do hybrid GNN em empresas.

5. O método foi mais de 100% mais eficaz que abordagens tradicionais em estudos de ablação.

O hybrid GNN demonstra uma percepção mais profunda das preferências dos usuários, capturando tanto a repetitividade quanto a exploração de itens com base em um escalar específico para cada usuário, otimizado através de uma rede neural de múltiplas camadas. Isso se traduz em previsões mais precisas para interações futuras, aprimorando a experiência do usuário e proporcionando soluções escaláveis para negócios.

- Desempenho superior em competições de ciência de dados. - Facilidade de implementação e otimização. - Capacidade de personalização em tempo real. - Impacto financeiro positivo para empresas.

Com o aumento das expectativas dos consumidores por recomendações personalizadas e precisas, as tecnologias como hybrid GNN podem se estabelecer como padrão para o futuro dos sistemas de recomendação. Além disso, essa abordagem pode inspirar novas práticas em mercados diversos, ampliando a aplicação de inteligência artificial em contextos comerciais.

A Kumo AI demonstra que os hybrid GNNs possuem um potencial transformador nos sistemas de recomendação, alavancando a performance e a experiência do cliente. À medida que o mercado evolui, é essencial que as empresas se mantenham atualizadas sobre as inovações em inteligência artificial. Os leitores são encorajados a se inscreverem na nossa newsletter para mais informações sobre o impacto da IA em negócios, onde também poderão encontrar conteúdos atualizados diariamente.

FONTES:

1. Kaggle H&M recommendation challenge

2. Kumo AI

3. Graph Neural Networks